基于可变形注意力ResNet与群体爬山优化的视网膜新生血管检测
摘要
研究提出一种名为DAPR-PSHO的新深度学习框架，用于从眼底图像中精准识别视网膜新生血管（RNV）。该框架结合可变形卷积与注意力机制，自适应调整感受野以捕捉异常血管结构，并通过PeriV-Transformer驱动的粒子群爬山优化算法，聚焦微小的血管周围早期病变。实验显示其准确率达0.98、精确率0.985、召回率0.986，显著优于现有模型。
信息来源： PubMed Ophthalmology 发布于 2026年9月28日
要点速览
- 研究提出DAPR-PSHO深度学习框架，专用于眼底图像中视网膜新生血管（RNV）的检测
- 框架包含可变形注意力金字塔场景解析ResNet（DAPSP-ResNet）与PeriV-Transformer驱动的粒子群爬山优化（PSHO）
- 模型在测试中达到0.98准确率、0.985精确率和0.986召回率，高于现有模型
本站解读
这项研究本质上是给AI‘加了双眼睛’：一只盯全局视网膜结构，一只专盯血管边上的细微异常——这正是RNV早期最难发现的部分。它用可变形卷积解决血管扭曲变形导致的定位不准问题，再用优化算法强化对微小病灶的敏感度，技术路径清晰且有明确靶点。
但这是纯算法研究，没提用了多少张眼底图训练、是否经过多中心临床验证，也没有真实世界部署测试数据，属于实验室高分模型，离进医院筛查系统还有距离。目前所有性能指标（如0.98的准确率）都来自内部测试，未说明数据来源和划分方式，稳健性有待外部验证。
短期内不会改变医生看片流程，更可能先集成到已有AI辅助诊断软件中作为模块升级。国内情况有待确认。
常见问题
这个AI能帮医生早点发现糖尿病眼病吗？
可以辅助更早识别视网膜新生血管，这是糖尿病视网膜病变进展为增殖期的关键标志。该模型在实验中对早期血管周围微小变化敏感，准确率达0.98，但尚未进入临床使用阶段，仍需进一步验证。如有疑虑可咨询眼科医生。
我体检拍了眼底照，这个AI现在能帮我分析吗？
目前不能。该模型尚处于研究阶段，未集成到常规眼底影像分析系统中，也未获批作为医疗器械使用。现有医院的眼底AI工具多基于通用特征，尚未采用此类针对血管周围微结构优化的算法。
延伸阅读
基于LBP与PDC特征融合的青光眼自动识别方法
该研究提出一种结合局部二值模式（LBP）和枢轴分布计数（PDC）的混合特征提取方法，用于分析眼底图像以识别青光眼。LBP提取纹理特征，PDC提取白像素强度与分形维数特征。研究采用CatBoost和LightGBM等机器学习模型进行分类，并通过贝叶斯优化等方法调参，最终在测试中达到97.55%的最高分类准确率。
HOG-CNN模型提升眼底图像自动分类准确率
研究团队提出一种融合手工特征与深度学习的HOG-CNN模型，将方向梯度直方图（HOG）与预训练EfficientNetB3网络结合，用于糖尿病视网膜病变、青光眼和年龄相关性黄斑变性的眼底图像分类。在多个公开数据集上测试显示：二分类DR识别达98.5%准确率和99.2 AUC，五分类DR为94.2 AUC，IC-AMD数据集上达92.8%准确率和94.5 AUC，青光眼检测AUC为87.2。
AI增强OCT可准确量化冠状动脉斑块负荷
研究团队开发了一种深度学习算法，用于全自动分析光学相干断层扫描（OCT）图像，以量化冠状动脉斑块负荷（PB）和血管尺寸。研究使用10例尸检人的心脏，对29支主要冠状动脉进行OCT和血管内超声（IVUS）成像，并与组织病理学金标准对比。共获得852个匹配的横截面数据，结果显示AI-OCT与病理结果的相关性不劣于IVUS，且无统计学显著差异。